Wie viele Forschungsprojekte mit SNF-Beiträgen betreffen künstliche Intelligenz?

SNF-Monitoring zu Forschung mit KI-Bezug

KI umfasst ein breites Spektrum von Technologien und Methoden wie maschinelles Lernen, neuronale Netze und Sprachverarbeitung (siehe blauer Kasten für Definitionen wichtiger KI-Konzepte). Auf der Grundlage früherer Studien² haben wir eine vordefinierte Liste von KI-bezogenen Schlüsselbegriffen verwendet und damit die Titel, Keywords und Zusammenfassungen der vom SNF unterstützten Projekte durchsucht. Die Verwendung dieser Liste war eine wichtige und bewusste Entscheidung, da je nach Studie unterschiedliche Listen von KI-bezogenen Begriffen verwendet werden.

Zunahme der Forschung mit KI-Bezug

Anhand dieser Schlüsselbegriffe wurden für den Zeitraum 2011 bis 2024 insgesamt 1306 Forschungsprojekte mit KI-Bezug identifiziert, was rund 6 % aller vom SNF in diesem Zeitraum gewährten Förderbeiträge entspricht. Der Anteil lag bis 2017 unter 5 %, ab 2021 hingegen über der Schwelle von 10 % (Abbildung 1). 47 % der identifizierten Beiträge betrafen den MINT-Bereich (Mathematik, Informatik, Naturwissenschaften und Technik, 23 % solche aus mehr als einem Forschungsbereich⁵, 16 % die Lebenswissenschaften (LW) und 14 % die Geistes- und Sozialwissenschaften (GSW).

In allen Forschungsbereichen war eine Zunahme an Forschungsprojekten mit KI-Bezug zu beobachten (Abbildung 2). Der höchste Anteil resultierte für Projekte aus mehr als einem Forschungsbereich. Während dieser Wert bis 2017 unter 10 % lag, überstieg er 2023 erstmals 20 %. Die interdisziplinäre Zusammenarbeit ist in der KI-Forschung von zentraler Bedeutung, da sie die effektive Anwendung von KI-Methoden in verschiedenen Forschungsbereichen begünstigt. Ausserdem ist der Einbezug von Ideen und Forschungsfragen aus mehreren Disziplinen ein wichtiger Treiber für die Entwicklung von KI-Technologien.⁶

Ein ähnlicher Anstieg der Projekte mit KI-Bezug war in den MINT-Fächern zu verzeichnen: 2019 stieg dieser Wert erstmals über 10 % und 2023 über 20 %. Auch in LW und GSW gewann Forschung mit KI-Bezug an Bedeutung, allerdings von einem niedrigeren Ausgangsniveau aus und weniger ausgeprägt als bei den MINT-Projekten und den bereichsübergreifenden Projekten. In den GSW lag der Anteil der Projekte mit KI-Bezug bis 2017 unter 5 %, 2023 überstieg er 10 %. In den LW betrug der Anteil der KI-bezogenen Beiträge bis 2020 weniger als 5 %, seither schwankt der Wert zwischen 5 und 10 %.

Schlüsselbegriffe nach Forschungsbereichen

Bei allen identifizierten KI-bezogenen Projekten sind die häufigsten Schlüsselbegriffe «machine learning», «artificial intellig*», «deep learning», «neural net*» und «computer vision». Der Grund dürfte darin liegen, dass diese Begriffe weit gefasst sind und eher eine Gruppe von Konzepten, Methoden oder Anwendungen als eine spezifische Methode bezeichnen. Die folgenden Abbildungen zeigen die 10 häufigsten Schlüsselbegriffe für Beiträge in den Bereichen GSW bzw. MINT und LW über den Analysezeitraum. In diesen Visualisierungen wurden keine bereichsübergreifenden Beiträge berücksichtigt, da diese heterogener sind.

In den GSW ist der häufigste Begriff – nach «artificial intellig*» und «machine learning» – «natural language processing», gefolgt von «deep learning», «data science», «reinforcement learning» und «neural net*» (Abbildung 3). Es erstaunt nicht, dass Natural Language Processing (NLP) in den GSW häufig genutzt wird, da sich diese Methode zur Analyse grosser Textkorpora eignet.

Ein Blick auf die Zusammenfassungen der identifizierten GSW-Projekte zeigt, dass die Projekte häufig in zwei Kategorien fallen. Entweder werden KI oder Methoden des maschinellen Lernens angewendet, um Forschungsfragen zu beantworten. Zum Beispiel analysierten Forschende im Rahmen eines im Jahr 2020 gewährten Beitrags einen Korpus von Wahlprogrammen mithilfe von NLP, um zu ermitteln, wie sich die Identitäten politischer Parteien im Laufe der Zeit entwickeln können. Andere KI-bezogene GSW-Projekte widmeten sich der Frage, welchen Einfluss die Entwicklung und der Einsatz von KI auf die Gesellschaft haben. Auf der Grundlage einer Dokumentenanalyse in Kombination mit einer Umfrage und Experteninterviews wollten die Forschenden im Rahmen eines 2024 vergebenen Beitrags beispielsweise in Erfahrung bringen, wie öffentliche Verwaltungen KI in ihrer Praxis einsetzen und unter welchen Bedingungen die Bevölkerung eine solche Nutzung unterstützt.

In den MINT-Fächern sind die am weitesten verbreiteten Schlüsselbegriffe «machine learning», «neural net*», «deep learning», «computer vision», «artificial intellig*», «reinforcement learning» und «data science». Viele der geförderten Projekte, insbesondere in den Ingenieurwissenschaften und der Mathematik, dienen der Entwicklung von KI-Systemen oder -Technologien, z. B. Methoden des maschinellen Lernens. Werden bei Projekten im MINT-Bereich nicht selber KI-Methoden entwickelt, dann geht es in der Regel darum, in verschiedenen Disziplinen Daten zu analysieren, Simulationen durchzuführen, Bilder zu verarbeiten oder die Fähigkeiten von Robotern zu verbessern.

In den LW sind die häufigsten Schlüsselbegriffe «machine learning», «artificial intellig*», «deep learning», «neural net*», «reinforcement learning», «computer vision» und «pattern recognition» (Abbildung 5). Bei vielen identifizierten Projekten wird eine breite Palette von Methoden des maschinellen Lernens zur Analyse von Daten und Bildern eingesetzt, um spezifische Forschungsfragen zu beantworten, Diagnoseinstrumente und Behandlungen zu entwickeln und Behandlungsergebnisse vorherzusagen. Während der Schwerpunkt bei den LW-Beiträgen auf der Anwendung von KI zur Beantwortung von Forschungsfragen liegt, gibt es auch Fälle, in denen die Forschungsergebnisse in die Weiterentwicklung solcher Methoden einfliessen.

Grundlage für weitere Analysen

In der vom SNF unterstützten Forschung hat der Anteil Projekte mit KI-Bezug somit in allen Bereichen deutlich zugenommen, vor allem in den letzten acht Jahren. Unser Analyseansatz beruhte darauf, die Fördergesuche nach einer Liste von KI-bezogenen Schlüsselbegriffen zu durchsuchen und so die vom SNF unterstützten Forschungsprojekte mit KI-Bezug zu identifizieren. Diese Methode wird von Forschungseinrichtungen und in bibliometrischen Studien häufig verwendet, um einen Überblick über den Bereich der künstlichen Intelligenz und dessen Entwicklung zu geben. Dieser Ansatz ist transparent, reproduzierbar und skalierbar. So können zum Beispiel neue Schlüsselbegriffe hinzugefügt oder der Ansatz kann auf andere Daten wie Publikationen angewendet werden. Aufgrund der raschen Entwicklung der KI muss die Liste der Schlüsselbegriffe regelmässig aktualisiert werden, damit die neuesten Entwicklungen einfliessen. Zur Beantwortung neuer Fragen kann die Liste der Schlüsselbegriffe zudem strategisch angepasst werden.

Die Verwendung dieser statischen Methode mit Schlüsselbegriffen hat jedoch auch Nachteile. Die Wahl der Begriffe beeinflusst die Identifikation der Projekte, und es gibt keine Liste von Begriffen, mit denen restlos alle KI-Beiträge identifiziert werden. In einer ersten Analyse haben wir drei verschiedene Listen mit Schlüsselbegriffen verglichen und unseren Ansatz optimiert, um möglichst alle Forschungsprojekte mit KI-Bezug zu erfassen und gleichzeitig die Zahl der falsch positiven Ergebnisse möglichst gering zu halten. Nicht erfasst werden damit jedoch Projekte mit KI-Bezug, die keinen dieser Schlüsselbegriffe in Titel, Keywords oder Zusammenfassung aufweisen. Da KI je nach Forschungsbereich unterschiedlich eingesetzt wird, ist unklar, ob der Ansatz für alle Forschungsbereiche gleich aussagekräftig ist. Die genaue Rolle der KI bei den einzelnen Projekten lässt sich nur mit detaillierteren Analysen in Erfahrung bringen. Wir sind jedoch überzeugt, dass der Ansatz eine geeignete Grundlage bildet, um Projekte mit KI-Bezug zu identifizieren, ebenso als Ausgangspunkt für weiterführende inhaltliche Analyse.

Der SNF will damit ein besseres Verständnis der Forschung mit KI-Bezug entwickeln und die Gesuchs- und Evaluationsverfahren bei Bedarf entsprechend anpassen. Auch die Ergebnisse der KI-bezogenen Forschung lassen sich damit besser beurteilen. Zusätzlich beobachtet der SNF die nationale und internationale Entwicklung in der KI-bezogenen Forschung. Ziel ist es, relevante Veränderungen in der Forschungslandschaft frühzeitig zu erkennen und darauf zu reagieren.